模式识别算法利用大量有标签的样本数据作为训练集对模型进行训练,进而实现对于目标样本的分类。此类算法能够起效的两大重要前提为具有大量有标签数据且这些数据与目标待识别数据具有特征空间上的同分布性。然而在大多真实应用场景中的数据往往是缺少标签的,同时为大量数据标注标签是一件十分费时费力的事。在图像识别问题中,通常人们容易获得的大量有标注的数据与实际需要进行分类的目标数据具有不同程度的分布差异。为了实现利用有标签的源域数据对无标签的目的域数据进行有效识别,迁移学习/域自适应的算法逐渐引起广大研究者的探索。本文基于传统的机器学习算法与理论以及目前广为流行的深度神经网络原型模型进行算法上的创新,并将所研究的域适应算法应用在图像识别技术上。本文主要工作和贡献如下:（1）提出了一种用于图像跨域识别的标签解绑分析域自适应算法。为了解决特征变化不充分的问题,以及由于缺乏对图像本质特征的学习而导致的模型泛化力低的问题,本文提出了基于标签解绑分析的无监督域自适应算法。算法通过适当的解绑标签与特征的联系去增大特征变换的自由度,并获得图像更加本质的特征信息。算法在特征层面和标签层面分别进行分布对齐学习,同时引入标签重构特征与样本特征的交叉耦合方式去重建可以同时适应于两个域的特征与标签之间的关系,从而保证了特征的类可判别性。论文中通过域自适应理论分析与多个图像数据集上的实验去验证了该算法的有效性。（2）提出了一种用于图像跨域识别的深度多表示对抗学习域自适应算法。随着深度学习的快速发展,通过对神经网络的微调可以提取到良好的域不变特征去保证两个域分布差异的最小化,同时可以设计相应的类判别约束去满足特征的可判别性。然而,特征的可迁移性和可判别性往往是不同步的,甚至两者之间存在一些矛盾。这些矛盾在模型设计上往往被忽略,从而降低了最终的识别准确性。因此,基于目前流行的深度学习,本文进一步地提出了一种深度的多表示对抗学习域自适应算法。通过对域不变特征、域特有特征、类不变特征、类特有特征这四种特征表示的学习去充分关注不同的特征信息,并通过它们之间的对抗学习方式去获得最终的在域不变性和类可判别性上保持一致良好的特征表示。这样的特征表示可以使得两个域在分布对齐的同时保持数据良好的判别性。论文中通过大量实验验证了该算法的有效性。（3）提出了一种用于图像跨域识别的动态权衡学习域自适应算法。域可迁移性学习和类可判别性学习对于解决域自适应问题十分重要。在本文中,本文创新性地关注这两种学习之间在学习过程中可能会相互导致的不利影响,进而提出了一种动态权衡学习算法去权衡它们的学习权重。通过对模型训练过程中域可迁移性学习和类可判别性学习的动态加权,避免了过度的域迁移学习导致的判别性丢失问题和过度的类判别性学习导致的域间分布对齐不充分的问题。本文结合域自适应理论分析了该算法的可行性,并在多个图像数据集上验证了所提出算法的有效性。